- Pourquoi utiliser la factorisation matricielle dans le système de recommandation?
- Netflix utilise-t-il toujours la factorisation de la matrice?
- L'estimation matricielle fournit-elle des recommandations personnalisées?
- Pourquoi utiliser NMF sur SVD?
Pourquoi utiliser la factorisation matricielle dans le système de recommandation?
Le filtrage collaboratif est l'application de la factorisation matricielle pour identifier la relation entre les éléments et les entités des utilisateurs. Avec la contribution des notes des utilisateurs sur les articles de la boutique, nous aimerions prédire comment les utilisateurs évalueraient les articles afin que les utilisateurs puissent obtenir la recommandation en fonction de la prédiction.
Netflix utilise-t-il toujours la factorisation de la matrice?
Il a été démontré que la factorisation de la matrice latente surpasse d'autres méthodes de recommandation dans le concours de recommandation Netflix et est devenu extrêmement populaire depuis. La factorisation de la matrice peut être étendue à des modèles plus complexes grâce à l'apprentissage en profondeur, où la matrice utilisateur-éléments est décomposée en de nombreuses couches.
L'estimation matricielle fournit-elle des recommandations personnalisées?
En retour, le système de filtrage collaboratif fournit des recommandations personnalisées utiles pour les nouveaux éléments.
Pourquoi utiliser NMF sur SVD?
Dans de tels cas, NMF fonctionne mieux car l'hypothèse des valeurs manquantes est intégrée à l'algo. En cas de SVD, il ne supposait rien sur les valeurs manquantes. Vous devez donc donner une certaine imputation de valeur manquante pour SVD. Cela pourrait entraîner un bruit inutile.